5489 Arbeiten
Das Paper stellt MPFlow vor, ein Zero-Shot-Framework zur MRT-Rekonstruktion, das durch eine selbstüberwachte Vorabtrainingsstrategie (PAMRI) und eine multimodale Posterior-Guidance anatomisch genauere Bilder mit weniger Halluzinationen und höherer Effizienz als herkömmliche Diffusionsmodelle erzeugt.
Die Studie identifiziert und quantifiziert den „Order-to-Space Bias" (OTS), bei dem die Reihenfolge von Entitäten in Texten fälschlicherweise die räumliche Anordnung in Bildgenerierungsmodellen bestimmt, und zeigt, dass gezielte Feinabstimmung sowie Eingriffe in frühen Phasen dieses datengetriebene Problem wirksam reduzieren können.
Diese Arbeit stellt ein neuartiges Dual-Backbone-Architektur-Modell vor, das generalisierte visuelle Merkmale aus einem eingefrorenen DINOv3-Modell mit lernspezifischen Swin-Merkmalen fusioniert, um durch einen Mask2Former-Decoder präzise Glassegmentierungsergebnisse auf mehreren Datensätzen zu erzielen und dabei den aktuellen Stand der Technik zu übertreffen.
Die Arbeit stellt QD-PCQA vor, ein neuartiges Framework für die unüberwachte Domänenanpassung in der Punktwolken-Qualitätsbewertung, das durch eine ranggewichtete konditionale Ausrichtung und qualitätsgeführte Merkmalsverstärkung die Generalisierungsfähigkeit von bildbasiertem Vorwissen auf Punktwolken signifikant verbessert.
Die Arbeit stellt PROSPECT vor, einen einheitlichen Streaming-Agenten für die Vision-Language-Navigation, der semantische und räumliche Merkmale durch einen latenten prädiktiven Repräsentationsansatz kombiniert, um die Robustheit und Leistung bei langfristigen Navigationsaufgaben zu verbessern.
Die Arbeit stellt DAGE vor, eine Dual-Stream-Architektur, die globale Kohärenz und feine Details durch getrennte Verarbeitungsströme entkoppelt, um aus unkalibrierten Videoeingaben hochauflösende, konsistente Geometrie und präzise Kameraposen effizient zu schätzen und dabei neue State-of-the-Art-Ergebnisse zu erzielen.
Die Arbeit stellt WSI-INR vor, ein neuartiges, patch-freies Framework auf Basis impliziter neuronaler Darstellungen, das durch kontinuierliche Modellierung und Multi-Resolution-Hash-Grid-Encoding eine robuste und räumlich konsistente Segmentierung von Läsionen in Ganzhistologiebildern über verschiedene Auflösungen hinweg ermöglicht.
Die Arbeit stellt KFRA vor, einen wissensgestärkten Agenten, der durch einen dreistufigen geschlossenen Reasoning-Loop und eine Kopplung von Wissensabruf mit visueller Verankerung das offene, feingranulare Bildverständnis von der statischen Klassifizierung hin zu evidenzbasiertem, interpretierbarem Experten-Reasoning transformiert.
Das Paper stellt DriveMVS vor, ein neuartiges Multi-View-Stereo-System für autonomes Fahren, das durch die Integration von LiDAR-Daten als geometrische Prompts und einen raumzeitlichen Decoder präzise metrische Tiefenschätzungen mit hoher zeitlicher Konsistenz und robuster Generalisierung ermöglicht.
Dieser Beitrag stellt ein Framework zur Erkennung kleiner Objekte in komplexen Hintergründen vor, das durch die Kombination von Residual-Haar-Wavelet-Downsampling, globaler Relationsmodellierung, hybrider Kreuzskalen-Aufmerksamkeit und einem zentrierungsassistierten Verlust die Merkmalsdegradation überwindet und die Lokalisierungsgenauigkeit auf dem RGBT-Tiny-Benchmark signifikant verbessert.
Die Arbeit stellt TAP vor, ein trainingsfreies Framework, das durch eine adaptive, tokenbasierte Auswahl von Vorhersagemodellen auf Basis einer kostengünstigen Sondierung die Inferenzgeschwindigkeit von Diffusionsmodellen erheblich steigert, ohne die generative Qualität zu beeinträchtigen.
Die vorgestellte Arbeit adressiert das Problem des Modellkollapses beim langfristigen Test-Time Adaptation durch eine adaptive und selektive Reset-Strategie, die den Zeitpunkt und die Bereiche des Zurücksetzens dynamisch steuert, um Fehler zu eliminieren und gleichzeitig wertvolles gelerntes Wissen zu bewahren.
Die Arbeit stellt STAR vor, eine neuartige autoregressive Vortrainierungsmethode für Vision Mamba, die durch den Einsatz von Trennzeichen die Eingabesequenzlänge vervierfacht und so eine hohe Genauigkeit von 83,5 % auf ImageNet-1k erzielt, indem sie die Fähigkeit des Modells zur Verarbeitung langer Abhängigkeiten voll ausschöpft.
Diese Arbeit stellt einen leichten YOLOv10-basierten Rahmen für die Unterwasser-Objekterkennung vor, der durch ein Multi-Stage Adaptive Enhancement, einen Dual-Pooling Sequential Attention-Mechanismus und eine Focal Generalized IoU-Verlustfunktion die Genauigkeit und Robustheit bei gleichzeitiger Kompaktheit des Modells signifikant verbessert.
Diese Arbeit stellt eine Vektor-Quantisierung für die Kompression von weichen Labels vor, um den erheblichen Speicherbedarf beim Dataset Distilling zu reduzieren und dabei auf Benchmarks wie ImageNet-1K über 90 % der ursprünglichen Leistung bei einer zusätzlichen 30- bis 40-fachen Kompression zu erhalten.
Die Arbeit stellt die Methode „Structure-aware Prompt Adaptation" (SPA) vor, die durch die Nutzung konsistenter lokaler Strukturen im Embedding-Raum und die Anwendung einer strukturgesteuerten Anpassungsstrategie die Generalisierung von gesehenen auf ungesehene Attribut-Objekt-Kombinationen im Open-Vocabulary Compositional Zero-Shot Learning verbessert.
Die Arbeit identifiziert das Phänomen der „faulen Aufmerksamkeit" beim multimodalen Cold-Start, entwickelt den Trainings-freien Eingriff „AVAR" zur gezielten Steuerung der visuellen Aufmerksamkeit und erzielt damit bei multimodalen Reasoning-Aufgaben signifikante Leistungssteigerungen.
Das Paper stellt FoundPS vor, ein universelles Fundamentmodell für die Panscharpierung, das durch einen modality-interleaved Transformer, einen latenten Diffusions-Bridge-Ansatz und eine umfassende Benchmark (PSBench) eine satellitenunabhängige und szenenrobuste Fusion von Panchromatik- und Multispektralbildern ermöglicht, die den aktuellen State-of-the-Art in Bezug auf Generalisierung und Robustheit übertrifft.
Die vorgestellte Arbeit stellt CWP-Net vor, ein neues Kausal-Deconfounding-Netzwerk mit wavelet-basierten Entwirrungsmodulen und Prompts, das die Generalisierung und Leistung von All-in-One-Bildwiederherstellungssystemen verbessert, indem es spuriose Korrelationen zwischen semantischen Merkmalen und Degradationsmustern sowie verzerrte Degradationsschätzungen adressiert.
Das Paper stellt DeepScan vor, ein trainingsfreies Framework, das durch hierarchisches Scannen, Refokussieren und evidenzbasiertes Schlussfolgern die visuell fundierte reasoning-Fähigkeit von Large Vision-Language-Modellen verbessert, ohne zusätzliche Anpassungskosten zu verursachen.